面向遥感半监督对比学习：识别南中部安第斯山脉的古代城市化
计算机视觉与模式识别
2023-04-18 v2 机器学习
摘要
考古学长期面临采样与尺度表征的根本问题。传统上，聚落模式的局部到区域尺度视图通过系统性步行调查获得。近年来，对卫星与航空影像的系统性人工解译使得在区域间尺度上连续分布地观测考古现象成为可能。然而，此类“蛮力”式人工影像调查方法既耗时耗力，又易受观察者间灵敏度与特异度差异的影响。自监督学习方法的发展为利用无标注卫星与历史航空影像定位考古特征提供了可扩展的学习方案。然而，考古特征相对于景观通常仅在极小比例中可见，而现代对比监督学习方法在高度不平衡数据集上往往表现欠佳。本工作中，我们提出一种框架以解决这一长尾问题。不同于现有将标注与无标注数据分开处理的对比学习方法，我们提出的方法在半监督设定下重构学习范式，以利用宝贵的标注数据（本设定中少于7%）。具体而言，数据高度不平衡的特性被用作先验知识，通过对未标注图像块与标注锚定图像之间的相似度排序来构造伪负对。本研究中，我们使用95,358张无标注图像与5,830张标注图像，以解决从长尾卫星影像数据集中检测古代建筑的相关问题。结果显示，我们的半监督对比学习模型取得了79.0%的测试平衡准确率，较其他最先进方法提升3.8%。
引用
@article{arxiv.2112.06437,
title = {Semi-Supervised Contrastive Learning for Remote Sensing: Identifying Ancient Urbanization in the South Central Andes},
author = {Jiachen Xu and Junlin Guo and James Zimmer-Dauphinee and Quan Liu and Yuxuan Shi and Zuhayr Asad and D. Mitchell Wilkes and Parker VanValkenburgh and Steven A. Wernke and Yuankai Huo},
journal= {arXiv preprint arXiv:2112.06437},
year = {2023}
}